一种基于人群分析的无人售货机选品方法及系统与流程

1.本发明涉及自助售货机管理技术领域，具体是一种基于人群分析的无人售货机选品方法及系统。


背景技术：

2.现今自动售货机已经慢慢开始普及，覆盖率及使用率都在迅速提高，自动售货机的使用场景也在逐渐丰富，而由于售货机容量有限，一次放入商品数量和种类有限，判断哪些商品比较热销需要一个比较长的时间做测试，测试产品的时间内，售货机的销售率和盈利率会产生比较大的影响。
3.目前无人售货机选品方面，通常会通过售货机的产品售卖的历史记录分析当前热卖的产品，并根据分析结果进行选品，这种方式弊端在于考虑的因素较少，没有考虑售货机的场景，分析的结果不精准，例如在商业区热销的饮料在小区内销售率一般。例如专利cn 109461027a所提到的商品优化方法，将新品随机投放到售货机上进行售卖并根据反馈结果进行优化，这种方法考虑因素较少，可能所选机器附近的人群并不是目标人群，导致得到的反馈结果不准确，使运营人员产生错误的判断而影响企业运营。


技术实现要素：

4.针对上述现有技术中的不足，本发明提供一种基于人群分析的无人售货机选品方法及系统，能够有效地提高运营商的选品效率，减少产品测试的时间，从而提高售货机的盈利效率。
5.为实现上述目的，本发明提供一种基于人群分析的无人售货机选品方法，包括如下步骤：
6.步骤1，基于现有无人售货机上的摄像头采集经过各现有无人售货机前行人或消费者的第一样本图像；
7.步骤2，对所有第一样本图像进行图像分析，提取各第一样本图像中行人或消费者的人群特征以及对应的特征属性；
8.步骤3，基于各第一样本图像中行人或消费者的人群特征以及对应的特征属性计算得到各现有无人售货机的第一人群特征值；
9.步骤4，采集待选品无人售货机待安置区域行人或消费者的第二样本图像；
10.步骤5，对所有第二样本图像进行图像分析，提取各第二样本图像中行人或消费者的人群特征以及对应的特征属性；
11.步骤6，基于各第二样本图像中行人或消费者的人群特征以及对应的特征属性计算得到待选品无人售货机的第二人群特征值；
12.步骤7，计算第二人群特征值与各第一人群特征值之间的特征相似度，选取特征相似度最高的第一人群特征值所对应的现有无人售货机上的热销产品作为待选品无人售无人售货机的选品推荐。
13.进一步具体地，步骤2与步骤4中，第一样本图像中行人或消费者的人群特征以及第二样本图像中行人或消费者的人群特征均包括：身高特征、服装特征与年龄特征。
14.进一步具体地，步骤2与步骤4中，所述特征属性具体为：
15.所述身高特征具有四个特征属性：属性1为身高小于120cm、属性2为身高在120cm-140cm的区间内、属性3为身高在140cm-160cm的区间内、属性4为身高在160cm以上；
16.服装特征具有四个特征属性：属性1为校服、属性2为休闲服、属性3为工作服、属性4为运动服；
17.年龄特征具有六个特征属性：性1为年龄小于10岁、属性2为年龄在10岁-18岁的区间内、属性3为年龄在18岁-35岁的区间内、属性4为年龄在35岁-45岁的区间内、属性5为年龄在45岁-46岁区间内、属性6为年龄在60岁以上。
18.进一步具体地，步骤3中，所述第一人群特征值的获取过程为：
19.对于现有无人售货机n，获取无人售货机n对应的第一样本图像数量为pn，对无人售货机n对应的第一样本图像中各个特征属性的样本数量进行统计；
20.计算无人售货机n对应的第一样本图像中各人群特征中各个特征属性的人群特征值，为：
[0021]vnij
＝q
nij
/pn[0022]
式中，v
nij
表示无人售货机n采集图像中第i个人群特征的第j个特征属性的人群特征值，q
nij
表示无人售货机n采集图像中第i个人群特征的第j个特征属性的样本数量，i表示第i个人群特征，j表示第i个人群特征中的第j个特征属性。
[0023]
进一步具体地，步骤6中，所述第二人群特征值的获取过程为：
[0024]
获取待选品无人售货机对应的第二样本图像数量为p，对待选品无人售货机对应的第二样本图像中各个特征属性的样本数量进行统计；
[0025]
计算待选品无人售货机对应的第二样本图像中各人群特征中各个特征属性的人群特征值，为：
[0026]vij
＝q
ij
/p
[0027]
式中，v
ij
表示待选品无人售货机采集图像中第i个人群特征的第j个特征属性的人群特征值，q
ij
表示待选品无人售货机采集图像中第i个人群特征的第j个特征属性的样本数量。
[0028]
进一步具体地，步骤7中，计算第二人群特征值与各第一人群特征值之间的特征相似度的过程为：
[0029]
计算单特征相似度：
[0030][0031]
式中，s
ni
表示现有无人售货机n与待选品无人售货机在第i个人群特征上的特征相似度，j表示第i个人群特征中特征属性的总数；
[0032]
计算特征相似度，为：
[0033]
[0034]
式中，fn表示现有无人售货机n与待选品无人售货机的特征相似度，i表示人群特征的总数，a
ni
表示第i个人群特征的特征权重。
[0035]
进一步具体地，其特征在于，在步骤2与步骤4中，图像分析基于训练后的卷积神经网络进行。
[0036]
为实现上述目的，本发明还提供一种基于人群分析的无人售货机选品系统，采用上述无人售货机选品方法。
[0037]
进一步具体地，所述无人售货机选品系统包括：
[0038]
图像获取单元，用于获取现有无人售货机采集的第一样本图像，以及待选品无人售货机待安置区域的第二样本图像；
[0039]
图像分析单元，用于对第一样本图像与第二样本图像进行分析，提取各第一样本图像与各第二样本图像中行人或消费者的人群特征以及对应的特征属性；
[0040]
人群相似度计算单元，用于根据行人或消费者的人群特征以及对应的特征属性计算得到第一人群特征值与第二人群特征值；
[0041]
相似度计算单元，用于筛选出最接近第二人群特征值的第一人群特征值，并将其对应现有无人售货机上的热销产品作为待选品无人售无人售货机的选品推荐。
[0042]
相较于现有技术，本发明提供的一种基于人群分析的无人售货机选品方法及系统，该方法基于售货机周围的人流监控，根据人群特征以及特征属性进行匹配，匹配现有无人售货机周围中的人群，为运营商推荐匹配人群热销的产品，提高运营商的选品效率，减少产品测试的时间，从而提高售货机的盈利效率。
附图说明
[0043]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
[0044]
图1为本发明实施例中无人售货机选品方法的流程图；
[0045]
图2为本发明实施例中无人售货机选品系统的模块图。
[0046]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0047]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0048]
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后
……
)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
[0049]
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0050]
在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接，还可以是物理连接或无线通信连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0051]
另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
[0052]
本实施例公开了一种基于人群分析的无人售货机选品方法该方法基于售货机周围的人流监控，根据人群特征以及特征属性进行匹配，匹配现有无人售货机周围中的人群，为运营商推荐匹配人群热销的产品，提高运营商的选品效率，减少产品测试的时间，从而提高售货机的盈利效率。参考图1，本实施例中的无人售货机选品方法，具体包括如下步骤：
[0053]
步骤1，基于现有无人售货机上的摄像头采集经过各现有无人售货机前行人或消费者的第一样本图像；
[0054]
步骤2，对所有第一样本图像进行图像分析，提取各第一样本图像中行人或消费者的人群特征以及对应的特征属性；
[0055]
步骤3，基于各第一样本图像中行人或消费者的人群特征以及对应的特征属性计算得到各现有无人售货机的第一人群特征值；
[0056]
步骤4，采集待选品无人售货机待安置区域行人或消费者的第二样本图像；
[0057]
步骤5，对所有第二样本图像进行图像分析，提取各第二样本图像中行人或消费者的人群特征以及对应的特征属性；
[0058]
步骤6，基于各第二样本图像中行人或消费者的人群特征以及对应的特征属性计算得到待选品无人售货机的第二人群特征值；
[0059]
步骤7，计算第二人群特征值与各第一人群特征值之间的特征相似度，选取特征相似度最高的第一人群特征值所对应的现有无人售货机上的热销产品作为待选品无人售无人售货机的选品推荐。
[0060]
本实施例中，第一样本图像中行人或消费者的人群特征以及第二样本图像中行人或消费者的人群特征均包括：身高特征、服装特征与年龄特征。而对于每一个人群特征的属性划分为：
[0061]
身高特征具有四个特征属性：属性1为身高在小于120cm、属性2为身高在120cm-140cm的区间内、属性3为身高在140cm-160cm的区间内、属性4为身高在160cm以上，其中，100，其中，120cm属于属性2，140cm属于属性3，160cm属于属性4；
[0062]
服装特征具有四个特征属性：属性1为校服、属性2为休闲服、属性3为工作服、属性4为运动服；
[0063]
年龄特征具有六个特征属性：性1为年龄小于10岁、属性2为年龄在10岁-18岁的区间内、属性3为年龄在18岁-35岁的区间内、属性4为年龄在35岁-45岁的区间内、属性5为年龄在45岁-60岁区间内、属性6为年龄在46岁以上，其中，10岁属于属性2，18岁属于属性3，35
岁属于属性4，45岁属于属性5，60岁属于属性6。
[0064]
即对于任一一张第一样本图像或第二样本图像，其均具有三个人群特征，且每一个人群特征在该第一样本图像或第二样本图像种都具有一确定的属性。在具体实施过程中，基于图像分析得到人群特征以及对应的特征属性可以采用卷积神经网络进行，通过采集大量的人群图像，并对人群图像中人群特征以及对应的特征属性进行标记后对卷积神经网络进行训练，即可用于本实施例中的图像分析。
[0065]
在具体实施过程中，现有无人售货机与待选品无人售货机之间的特征相似度计算过程为：
[0066]
首选，计算各现有计算机对应的第一人群特征值，其计算过程为：
[0067]
对于现有无人售货机n，获取无人售货机n对应的第一样本图像数量为pn，对无人售货机n对应的第一样本图像中各个特征属性的样本数量进行统计；
[0068]
计算无人售货机n对应的第一样本图像中各人群特征中各个特征属性的人群特征值，为：
[0069]vnij
＝q
nij
/pn[0070]
式中，v
nij
表示无人售货机n采集图像中第i个人群特征的第j个特征属性的人群特征值，q
nij
表示无人售货机n采集图像中第i个人群特征的第j个特征属性的样本数量，i表示第i个人群特征，j表示第i个人群特征中的第j个特征属性；
[0071]
其次，计算待选品无人售货机的第二人群特征值，其计算过程为：
[0072]
获取待选品无人售货机对应的第二样本图像数量为p，对待选品无人售货机对应的第二样本图像中各个特征属性的样本数量进行统计；
[0073]
计算待选品无人售货机对应的第二样本图像中各人群特征中各个特征属性的人群特征值，为：
[0074]vij
＝q
ij
/p
[0075]
式中，v
ij
表示待选品无人售货机采集图像中第i个人群特征的第j个特征属性的人群特征值，q
ij
表示待选品无人售货机采集图像中第i个人群特征的第j个特征属性的样本数量；
[0076]
然后计算第二人群特征值与各第一人群特征值之间的单特征相似度，为：
[0077][0078]
式中，s
ni
表示现有无人售货机n与待选品无人售货机在第i个人群特征上的特征相似度，j表示第i个人群特征中特征属性的总数；
[0079]
最后第二人群特征值与各第一人群特征值之间的总特征相似度，即现有无人售货机与待选品无人售货机之间的特征相似度，为：
[0080][0081]
式中，fn表示现有无人售货机n与待选品无人售货机的特征相似度，i表示人群特征的总数，a
ni
表示第i个人群特征的特征权重。即能根据特征相似度值大小，取相似度值最高的无人售货机的热销产品作为推荐。
[0082]
参考图2，基于上述无人售货机选品方法，本实施例还公开了一种基于人群分析的无人售货机选品系统，该无人售货机选品系统采用上述无人售货机选品方法对新增的无人售货机进行选品推荐。具体的，该无人售货机选品系统包括图像获取单元、图像分析单元、人群相似度计算单元与相似度匹配单元。图像获取单元用于获取现有无人售货机采集的第一样本图像，以及待选品无人售货机待安置区域的第二样本图像；图像分析单元为训练卷积神经网络，用于对第一样本图像与第二样本图像进行分析，提取各第一样本图像与各第二样本图像中行人或消费者的人群特征以及对应的特征属性；人群相似度计算单元用于根据行人或消费者的人群特征以及对应的特征属性计算得到第一人群特征值与第二人群特征值，其计算过程与上述方法相同，因此不再对其进行赘述；相似度计算单元，用于筛选出最接近第二人群特征值的第一人群特征值，并将其对应现有无人售货机上的热销产品作为待选品无人售无人售货机的选品推荐。
[0083]
下面结合具体的示例对本实施例中的无人售货机选品方法作出进一步的说明。
[0084]
假设有3台无人售货机m1、m2、m3，其中m1、m2为现有无人售货机，m3待选品无人售货机；
[0085]
每台无人售货机的采样人数均为10000人，即p1＝p2＝p3＝10000人；
[0086]
具有3个人群特征，为：身高特征c1，服装特征c2，年龄特征c3；其中，身高特征权重a1＝1，服装特征权重a2＝1，年龄特征权重a3＝1.2。
[0087]
身高特征具有四个属性，分别为：属性1t
11
《120cm；属性2t
12
＝120cm-140cm；属性3t
13
＝140cm-160cm；属性4t
14
》＝160cm。
[0088]
服装特征具有四个属性，分别为：属性1t
21
＝校服；属性2t
22
＝休闲服；属性3t
23
＝工作服；属性4t
24
＝运动服。
[0089]
年龄特征具有六个属性，分别为：属性1t
31
《10岁；属性2t
32
＝10-18岁；属性3t
33
＝18-35岁；属性4t
34
＝35岁-45岁；属性5t
35
＝45岁-60岁；属性6t
36
》＝60岁。
[0090]
若现有无人售货机m1在中学附近，并设采集到的特征属性数量为：
[0091]
身高特征属性数量：q
111
＝1000,q
112
＝5000，q
113
＝3000，q
114
＝1000；
[0092]
服装特征属性数量：q
121
＝4000,q
122
＝4000，q
123
＝500，q
124
＝1500；
[0093]
年龄特征属性数量：q
131
＝1000,q
132
＝6000，q
133
＝1000，q
134
＝1000，q
135
＝800，q
136
＝200。
[0094]
无人售货机m1的人群特征值为：
[0095]
身高特征人群特征值：v
111
＝0.1,v
112
＝0.5,v
113
＝0.3,v
114
＝0.1；
[0096]
服装特征人群特征值：v
121
＝0.4,v
122
＝0.4,v
123
＝0.05,v
124
＝0.15；
[0097]
年龄特征人群特征值：v
131
＝0.1,v
132
＝0.6,v
133
＝0.1,v
134
＝0.1,v
135
＝0.08,v
136
＝0.02。
[0098]
若现有无人售货机m2在商业区，并设采集到的特征属性数量为：
[0099]
身高特征属性数量：q
211
＝1000,q
212
＝1000，q
213
＝2000，q
214
＝6000；
[0100]
服装特征属性数量：q
221
＝1000,q
222
＝4000，q
223
＝1000，q
224
＝4000；
[0101]
年龄特征属性数量：q
231
＝1000,q
232
＝1500，q
233
＝2000，q
234
＝2000，q
135
＝1500，q
136
＝1000。
[0102]
无人售货机m2的人群特征值为：
[0103]
身高特征人群特征值：v
211
＝0.1,v
212
＝0.1,v
213
＝0.2,v
214
＝0.6；
[0104]
服装特征人群特征值：v
221
＝0.1,v
222
＝0.4,v
223
＝0.1,v
224
＝0.4；
[0105]
年龄特征人群特征值：v
231
＝0.1,v
232
＝0.15,v
233
＝0.2,v
234
＝0.2,v
235
＝0.15,v
236
＝0.1。
[0106]
若有待选品无人售货机m3的待安放区域也在中学附近，并设采集到的特征属性数量为：
[0107]
身高特征属性数量：q
311
＝1200,q
312
＝4500，q
313
＝3300，q
114
＝1000；
[0108]
服装特征属性数量：q
321
＝4200,q
322
＝3800，q
323
＝600，q
124
＝1400；
[0109]
年龄特征属性数量：q
331
＝1200,q
332
＝6200，q
333
＝800，q
134
＝800，q
135
＝800，q
136
＝200。待选品无人售货机m3的人群特征值为：
[0110]
身高特征人群特征值：v
311
＝0.12,v
312
＝0.45,v
313
＝0.33,v
314
＝0.1；
[0111]
服装特征人群特征值：v
321
＝0.42,v
322
＝0.38,v
323
＝0.06,v
324
＝0.14；
[0112]
年龄特征人群特征值：v
331
＝0.12,v
332
＝0.62,v
333
＝0.08,v
334
＝0.08,v
335
＝0.08,v
336
＝0.02。
[0113]
现有无人售货机m1与待选品无人售货机m3之间的单特征相似度为：
[0114]
身高单特征相似度为：
[0115][0116]
服装单特征相似度为：
[0117][0118]
年龄单特征相似度为：
[0119][0120]
计算得到无人售货机m1与待选品无人售货机m3之间特征相似度为：
[0121]
f1＝s
11
s
12
1.2
×s13
＝0.9951 0.9985 0.952
×
1.2＝3.136。
[0122]
现有无人售货机m2与待选品无人售货机m3之间的单特征相似度为：
[0123]
身高单特征相似度为：
[0124][0125]
服装单特征相似度为：
[0126][0127]
年龄单特征相似度为：
[0128][0129]
计算得到无人售货机m2与待选品无人售货机m3之间特征相似度为：
[0130]
f2＝s
21
s
22
1.2
×s23
＝0.4873 0.7486 0.6131
×
1.2＝1.972。
[0131]
综上，f1》f2，因此选取现有无人售货机m1上的热销产品作为待选品无人售无人售货机的选品推荐。
[0132]
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。